ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Machine Learning for Email: Spam Filtering and Priority Inbox

دانلود کتاب یادگیری ماشینی برای ایمیل: فیلتر هرزنامه و صندوق ورودی اولویتی

Machine Learning for Email: Spam Filtering and Priority Inbox

مشخصات کتاب

Machine Learning for Email: Spam Filtering and Priority Inbox

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 1449314309, 9781449314309 
ناشر: O'Reilly Media 
سال نشر: 2011 
تعداد صفحات:  
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 Mb 

قیمت کتاب (تومان) : 44,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 2


در صورت تبدیل فایل کتاب Machine Learning for Email: Spam Filtering and Priority Inbox به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب یادگیری ماشینی برای ایمیل: فیلتر هرزنامه و صندوق ورودی اولویتی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب یادگیری ماشینی برای ایمیل: فیلتر هرزنامه و صندوق ورودی اولویتی

اگر یک برنامه نویس با تجربه هستید که مایل به خرد کردن داده ها هستید، این راهنمای مختصر به شما نشان می دهد که چگونه از یادگیری ماشین برای کار با ایمیل استفاده کنید. شما یاد خواهید گرفت که چگونه الگوریتم هایی بنویسید که به طور خودکار ایمیل ها را بر اساس الگوهای آماری مرتب می کنند و هدایت می کنند. نویسندگان درو کانوی و جان مایلز وایت به روشی عملی و با استفاده از رویکرد مبتنی بر مطالعه موردی به جای ارائه سنتی سنگین ریاضی، به این فرآیند برخورد می‌کنند. این کتاب همچنین شامل یک آموزش کوتاه در مورد استفاده از زبان محبوب R برای دستکاری و تجزیه و تحلیل داده ها می باشد. نمونه‌های واضحی برای تجزیه و تحلیل داده‌های نمونه و نوشتن برنامه‌های یادگیری ماشین با محتوای ایمیل R.Mine با توابع R، با استفاده از مجموعه‌ای از فایل‌های نمونه دریافت خواهید کرد. عواملی مانند فعالیت رشته از تجزیه و تحلیل رتبه بندی ایمیل خود برای نوشتن یک برنامه صندوق ورودی اولویت دار استفاده کنید طبقه بندی کننده و صندوق ورودی اولویت خود را با یک مجموعه نمونه ایمیل جداگانه آزمایش کنید.


توضیحاتی درمورد کتاب به خارجی

If you’re an experienced programmer willing to crunch data, this concise guide will show you how to use machine learning to work with email. You’ll learn how to write algorithms that automatically sort and redirect email based on statistical patterns. Authors Drew Conway and John Myles White approach the process in a practical fashion, using a case-study driven approach rather than a traditional math-heavy presentation. This book also includes a short tutorial on using the popular R language to manipulate and analyze data. You’ll get clear examples for analyzing sample data and writing machine learning programs with R.Mine email content with R functions, using a collection of sample files Analyze the data and use the results to write a Bayesian spam classifier Rank email by importance, using factors such as thread activity Use your email ranking analysis to write a priority inbox program Test your classifier and priority inbox with a separate email sample set



فهرست مطالب

Machine generated contents note: 1. Using R --
R for Machine Learning --
Downloading and Installing R --
IDEs and Text Editors --
Loading and Installing R Packages --
R Basics for Machine Learning --
Further Reading on R --
2. Data Exploration --
Exploration vs. Confirmation --
What is Data? --
Inferring the Types of Columns in Your Data --
Inferring Meaning --
Numeric Summaries --
Means, Medians, and Modes --
Quantiles --
Standard Deviations and Variances --
Exploratory Data Visualization --
Modes --
Skewness --
Thin Tails vs. Heavy Tails --
Visualizing the Relationships between Columns --
3. Classification: Spam Filtering --
This or That: Binary Classification --
Moving Gently into Conditional Probability --
Writing Our First Bayesian Spam Classifier --
Defining the Classifier and Testing It with Hard Ham --
Testing the Classifier Against All Email Types --
Improving the Results --
4. Ranking: Priority Inbox --
How Do You Sort Something When You Don\'t Know the Order? --
Ordering Email Messages by Priority --
Priority Features Email --
Writing a Priority Inbox --
Functions for Extracting the Feature Set --
Creating a Weighting Scheme for Ranking --
Weighting from Email Thread Activity --
Training and Testing the Ranker.




نظرات کاربران